Обучение вашей модели - это самая трудоемкая и дорогая часть машинного обучения. Обучение вашей модели на графическом процессоре может дать вам прибавку в скорости почти в 40 раз, что займет 2 дня и превратится в несколько часов. Однако обычно это дорого обходится вашему кошельку.
На днях я наткнулся на отличный инструмент под названием Google Colab. Я бы назвал Colab эквивалентом блокнотов Jupyter в документации Google. Colab призван стать образовательным и исследовательским инструментом для совместной работы над проектами машинного обучения. Самое замечательное, что это полностью бесплатно навсегда.
Нет никаких настроек для его использования. Мне даже не нужно было входить в систему. (Я уже вошел в свою учетную запись Google)
Самое приятное то, что вы получаете неограниченный запас на 12 часов непрерывного доступа к графическому процессору k80, что довольно мощно. (Вы отключаетесь через 12 часов, но можете использовать его столько раз, сколько захотите)
Я хочу, чтобы наше внимание было сосредоточено на обучении на графическом процессоре и Colab, чтобы ноутбук был очень простым.
Первый шаг - загрузить записную книжку (или другую записную книжку на ваш выбор)
Затем перейдите в Google Colab, войдите в свою учетную запись Google (или создайте ее, если вы каким-то образом проделали это в жизни без нее)
Выберите File
›Upload notebook...
:
Загрузите загруженный вами блокнот:
Выберите Runtime
›Change runtime type
:
Затем выберите GPU
:
Теперь вы должны иметь возможность запускать свои записные книжки, как обычно. Единственное отличие - это самая последняя часть в конце. Если вы хотите загрузить свою модель или любые другие файлы через браузер, вы можете использовать их библиотеку python:
from google.colab import files files.download("PATH/TO/FILE")
Последние мысли
Это был довольно короткий пост, но, надеюсь, он положит конец мучительным дням обучения ваших моделей на бедном маленьком старом ноутбуке по нескольку дней за раз или потере тонны 💰 на счетах AWS.
Спасибо за прочтение! Если у вас есть какие-либо вопросы, обращайтесь по адресу [email protected], свяжитесь со мной в LinkedIn или подпишитесь на меня в Medium и Twitter.
Если вы сочтете эту статью полезной, это будет много значить, если вы поаплодируете ей и поделитесь ею, чтобы помочь другим найти ее! И не стесняйтесь оставлять комментарии ниже.